linhd-postdata/pulpo

PULPO（Prolific Unannotated Literary Poetry Corpus）是一个多语言的诗歌语料库，包含超过9500万单词。该数据集由多个语料库组成，涵盖了西班牙语、英语、法语、意大利语、捷克语、葡萄牙语、阿拉伯语、中文、芬兰语、德语、匈牙利语和俄语的诗歌。这些语料库通过Averell工具下载，并来自不同的来源，如GitHub、Kaggle等。

原始信息汇总

数据集概述

数据集名称

• 名称: Prolific Unannotated Literary Poetry Corpus (PULPO)

数据集描述

• 描述: PULPO是一个多语言诗歌语料库，包含超过95M的单词，涵盖了多种语言的诗句和诗节。

数据集语言

• 语言: 包括西班牙语、英语、法语、意大利语、捷克语、葡萄牙语、阿拉伯语、中文、芬兰语、德语、匈牙利语、俄语等。

数据集大小

• 大小: 10M<n<100M

数据集内容来源

• 西班牙语:
  • Disco v3
  • Corpus of Spanish Golden-Age Sonnets
  • Corpus general de poesía lírica castellana del Siglo de Oro
  • Gongocorpus
  • Poesi.as
• 英语:
  • Eighteenth-Century Poetry Archive (ECPA)
  • For better for verse
  • A Gutenberg Poetry Corpus
• 法语:
  • Métrique en Ligne
• 意大利语:
  • Biblioteca italiana
• 捷克语:
  • Corpus of Czech Verse
• 葡萄牙语:
  • Stichotheque
  • Poems in Portuguese
• 阿拉伯语:
  • Arabic Poetry dataset
• 中文:
  • THU Chinese Classical Poetry Corpus
• 芬兰语:
  • SKVR
• 德语:
  • TextGrid Poetry Corpus
  • German Rhyme Corpus
• 匈牙利语:
  • verskorpusz
• 俄语:
  • 19 000 Russian poems